[发明专利]一种启发式代谢共表达网络的构建方法及系统

权利要求书

1.一种启发式代谢共表达网络的构建方法，其特征在于，包括步骤：

A、对原始的代谢特征数据集F*进行正规化预处理，使其中所有M个代谢特征矢量在每个维度上都具有0均值及单位方差：

F m = F m * - μ m δ m , F m * ∈ F * ; ]]>

F＝{Fm；m＝1，2，...，M}为预处理后的代谢特征数据集，μm、δm分别为第m个原始的代谢特征矢量F*m的均值与方差；

B、设定特征选择总运行次数为K，初始化运行计数器k＝1；

C、构造多模优化的进化种群ps，将其所包含的每个寻优个体Xi∈ps初始化为范围R＝[0，1]内均匀分布的M维随机矢量；

D、设定算法迭代总次数为G，初始化迭代计数器g＝1；

E、计算进化种群ps中每个寻优个体的共享适应度函数值；

F、在计算所有寻优个体的共享适应度函数值后，使用启发式计算智能算法优化进化种群ps；

G、更新迭代计数器g＝g+1，若g＜G，则返回步骤E；否则本次优化结束，进入步骤H；

H、对于优化后进化种群ps中的每个寻优个体Xi，将其映射为选择矢量Si；

I、构造对称的共表达权值矩阵Wk＝{wp，q}M×M，其中对角线元素wp，p为所有Si中代谢特征矢量Fp被选中的次数，p∈M：

w p , p = Σ i ∈ | p s | s p ∈ S i ]]>

其余元素wp，q则为Si中代谢特征矢量Fp与Fq被同时选中的次数，p，q∈M，p≠q：

wp，q＝∑i∈|ps|sp∩sq；sp，sq∈Si；

J、更新运行计数器k＝k+1，若k＜K，则返回步骤C，否则特征选择完成，进入步骤K；

K、对每次运行所获得的共表达权值矩阵进行平均，并计算其对应的概率，得到最终的共表达权值矩阵为Ω＝{ωp，q}M×M，其中|ps|为进化种群ps中的寻优个体总数：

ω p , q = 1 K | p s | Σ k ∈ K w p , q ∈ W k ; ]]>

L、将每次特征选择中最终输出的每个Si视作优化算法对于代谢特征数据集空间的一次采样，其sm∈Si服从概率pm的伯努利分布，则wp，p即为服从B(|ps|，pm)二次分布的随机变量；

M、将最终的共表达权值矩阵视作组合学习投票方法的稳态结果；

N、使用最终的共表达权值矩阵中的对角线元素ωp，p作为节点p的重要性权重，其余任意ωp，q，p≠q作为节点Fp与Fq之间的连接权重，构建全连通加权网络G，而后移除其中权重小于阈值ωt的节点与边，形成该原始的代谢特征数据集F*的代谢共表达网络；

O、输出所述代谢共表达网络作为结果；

Fm的选择概率pm∈[0.05，0.95]，则在每次特征选择使用|ps|为100个寻优个体的条件下，重复运行6次，在98％的置信区间内，p，p的均值误差不超过5％。